Can oxidative potential be a plant risk indicator for heavy metals contaminated soil? Analysis of ryegrass (Lolium perenne L.) metabolome based on machine learning
Notice bibliographique
Résumé
Evaluating the plant risk of soil pollution by plant physiological indices usually requires a long cycle and has significant uncertainty. In this study, oxidative potential (OP) of the in situ heavy metal contaminated soils was measured by the dithiothreitol method. The oxidative stress response of the model plant ryegrass ( Lolium perenne L. ) induced by heavy metal contaminated soil was evaluated by the biomarkers, including superoxide dismutase and total antioxidant capacity. The comprehensive biomarker response index has a significant exponential correlation with the OP of soil ( r = 0.923, p < 0.01) in ryegrass. Metabolomics analysis also showed a significant relationship of the metabolic effect level index of amino acids and sugars with OP. Random forest was selected from four machine learning models to screen the metabolites most relevant to OP, and Shapley additive explanations analysis was used to explain the contribution and the influence direction of the features on the model. Based on the selected 20 metabolites, the metabolic pathways most related to OP in plants, including alkaloid synthesis and amino acids metabolism, were identified. Compared to the plant physiological indices, OP is a more stable and faster indicator for the plant risk assessment of heavy metals contaminated soil. • Oxidative potential (OP) is exponential correlated with the comprehensive biomarker response index. • OP was significantly related to the metabolic effect level indexes of amino acids and sugars. • Top 20 important metabolites in ryegrass contributed to OP was screened based on random forest. • The metabolic pathways in ryegrass most related to OP were identified.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».